Physics-informed Machine Learning Prediction of Hubbard Interaction Parameters

ملخص تقني: التنبؤ بمعلمات تفاعل هوبارد باستخدام التعلم الآلي المستند إلى الفيزياء

بيان المشكلة
يعد التحديد الدقيق لمعلمات تفاعل هوبارد — وتحديداً تفاعل كولوم الموضعي الفعال ($U_{eff}$)، وتفاعل كولوم بين المواقع ($V$)، وازدواج هوند ($J$) — أمراً بالغ الأهمية لتطبيق طرق ما بعد نظرية الكثافة الوظيفية (beyond-DFT) (مثل DFT+U و DFT+DMDT و DFT+U+V) على المواد المرتبطة إلكترونياً. وبينما يعد الضبط التجريبي لهذه المعلمات أمراً شائعاً، إلا أنه يحد من قابلية النقل. توفر النهج القائمة على المبادئ الأولية مثل تقريب راندم-فيز-أبروفيميشن المقيد (cRPA) مساراً صارماً وقابلاً للنقل من خلال المعالجة الصريحة لعمليات الحجب الإلكتروني. ومع ذلك، فإن التكلفة الحسابية العالية لحسابات cRPA تشكل عائقاً أمام مسح المواد على نطاق واسع. ورغم أن دراسات التعلم الآلي (ML) الحديثة قد تنبأت بمعلمات هوبارد، إلا أن التنبؤ المحدد بمعلمات $U_{eff}$ و $V$ و $J$ المشتقة من cRPA باستخدام واصفات تلتقط تأثيرات التمركز الإلكتروني والحجب لا يزال غير مستكشف إلى حد كبير.

المنهجية
طور المؤلفون إطار عمل للتعلم الآلي مستند إلى الفيزياء للتنبؤ بالمعلمات المشتقة من cRPA لمجموعة متنوعة من أكاسيد المعادن الانتقالية (TMOs) ذات بنى البيروفسكايت، والأوليفين، والسبينل، والطبقية، والبيروفسكايت الطبقي.

1. توليد البيانات: تم توليد مجموعة بيانات لـ $U_{eff}$ و $V$ و $J$ باستخدام حسابات cRPA داخل برنامج VASP. تم تحديد الفضاء الفرعي المرتبط (TM-d manifold) عبر إسقاطات دالة وانير (Wannier function)، واستبعاد عمليات الحجب المرتبطة بهذه النطاقات لحساب التفاعل المحجوب.
2. بناء الميزات: أنشأت الدراسة 12 واصفاً مصنفة إلى:
   • ميزات البنية الإلكترونية: عرض نطاق TM-d ($W$) والمسافة الطاقية بين مراكز نطاقات TM-d و O-p (المسماة $D_{d-p}$)، والتي تمثل التمركز والتهجين/الحجب على التوالي.
   • الميزات الذرية والتكوينية: العدد الذري ($Z_{TM}$)، المجموعة ($G_{TM}$)، الدورة ($P_{TM}$)، متوسط عدد إلكترونات d ($n_d$)، ومتوسط حالة الأكسدة ($n_{ox}$).
   • الميزات الهيكلية: عدد ذرات وحدة الخلية ($N_{u.c}$)، عدد أيونات TM ($TM_{u.c}$)، أقصر طول رابطة TM-O ($d_{TM-O}$)، حجم وحدة الصيغة ($V_{f.u}$)، ورقم المجموعة الفراغية ($SG$).
3. استراتيجية النمذجة: اعتمدت الدراسة استراتيجية مزدوجة النهج:
   • التعلم الجماعي (Ensemble Learning): تم تدريب نماذج الغابة العشوائية (RF)، وانحدار تعزيز التدرج (GBR)، وتعزيز التدرج الشديد (XGB) باستخدام التحقق المتبادل "ترك واحد خارج المجموعة" (LOOCV) لتحديد الميزات الرئيسية وتحقيق دقة تنبؤ عالية.
   • البحث بالقوة الغاشمة القائم على الانحدار (BFS): للحصول على تعبيرات تحليلية صريحة، تم تطبيق خوارزمية BFS. تم تحويل الميزات الأساسية المختارة من تحليل النماذج الجماعية باستخدام 15 دالة غير خطية (مثل $x, 1/x, e^x, \ln(x+1)$) لتوليد ميزات نموذجية. تم دمج هذه الميزات ضربياً لتكوين ميزات مركبة لبناء نماذج انحدار خطي (يُرمز لها بـ $mCnF$، حيث $m$ هو عدد الميزات المركبة و $n$ هو عدد الميزات الأساسية).

النتائج الرئيسية

• التنبؤ بـ $U_{eff}$:

  • النماذج الجماعية: حقق نموذج XGB أفضل أداء مع جذر متوسط مربع الخطأ (RMSE) قدره 0.148 إلكترون فولت ومعامل تحديد ($R^2$) قدره 0.899 باستخدام ست ميزات ($n_{ox}, n_d, N_{u.c}, V_{f.u}, Z_{TM}, G_{TM}$). كما حقق فرعي مكون من أربع ميزات ($n_{ox}, n_d, N_{u.c}, V_{f.u}$) أداءً شبه مشبع (RMSE 0.168 إلكترون فولت).
  • التعبيرات التحليلية: أنتجت طريقة BFS صيغاً صريحة. حقق نموذج يستخدم الميزات المدفوعة فيزيائياً ($W, D_{d-p}, n_d, V_{f.u}$) قيمة RMSE قدرها 0.207 إلكترون فولت. يربط الشكل التحليكي المستمد (المعادلة 3) مباشرة بين $U_{eff}$ والتمركز ($W$) والتهجين ($D_{d-p}$)، مما يظهر أن $U_{eff}$ تزداد مع انخفاض التهجين (زيادة $D_{d-p}$) وتظهر اعتماداً غير رتيب على $n_d$.

• التنبؤ بـ $V$ بين المواقع:

  • النماذج الجماعية: حقق نموذج XGB قيمة RMSE قدرها 0.062 إلكترون فولت ($R^2 = 0.784$) باستخدام خمس ميزات ($n_d, N_{u.c}, V_{f.u}, SG, Z_{TM}$).
  • التعبيرات التحليلية: حقق أفضل نموذج BFS (بتكوين 3C2F) باستخدام المجموعة ($n_d, N_{u.c}, V_{f.u}, P_{TM}$) قيمة RMSE قدرها 0.071 إلكترون فولت. تشير الصيغة الناتجة (المعادلة 4) إلى أن $V$ محكومة بالتماسك الهيكلي (صغر $V_{f.u}$ وكبر $N_{u.c}$ يزيدان من $V$) وحجب التهجين ($D_{d-p}$)، بينما يلعب $W$ (التمركز) دوراً ضئيلاً.

• التنبؤ بازدواج هوند $J$:

  • النماذج الجماعية: تم التنبؤ بـ $J$ بدقة استثنائية باستخدام واصفات دنيا. حقق XGB دقة عالية باستخدام ثلاث ميزات فقط ($G_{TM}, P_{TM}, SG$) مع RMSE قدره 0.007 إلكترون فولت ($R^2 = 0.989$). حتى الميزة الواحدة ($Z_{TM}$) أعطت RMSE يقارب 0.015 إلكترون فولت.
  • التعبيرات التحليلية: أكد تحليل BFS أن $J$ محكوم بشكل أساسي بالخصائص الذرية الجوهرية. اعتمد أفضل نموذج تحليلي (المعادلة 6) فقط على الواصفات العنصرية ($G_{TM}$ و $P_{TM}$)، مما يعكس توجه زيادة $J$ مع سلسلة المعادن الانتقالية وانخفاضها مع الدورة، وهو ما يتوافق مع الحفاظ على الاتجاهات الذرية المجردة بسبب ضعف الحجب في cRPA.

الأهمية والادعاءات
تدعي الورقة أنها توفر نهجاً فعالاً للتنبؤ بمعلمات هوبارد المشتقة من cRPA، مما يسرع سير عمل DFT+U و DFT+U+V دون الاعتماد على الضبط التجريبي. ومن خلال الجمع بين التعلم الجماعي و BFS، تحقق الدراسة دقة تنبؤ عالية وقابلية للتفسير الفيزيائي في آن واحد.

يؤكد المؤلفون أن إطار عملهم يقدم رؤى فيزيائية محددة:

1. $U_{eff}$ مرتبطة مباشرة بالتنافس بين التمركز الإلكتروني وتهجين TM-d/O-p.
2. $V$ محكومة أساساً بحجب التهجين والتماسك الهيكلي، وليس بتمركز المدارات.
3. $J$ محكوم بالكامل تقريباً بالخصائص الذرية الجوهرية لأيون المعدن الانتقالي، حيث يكون حجب cRapa ضعيفاً لهذا المعلم.

تخلص الدراسة إلى أن إطار عمل التعلم الآلي المستند إلى الفيزياء هذا يوفر مساراً عملياً لتحديد العلاقات بين الواصف والخاصية في الأكاسيد المرتبطة، ويقدم صيغاً تحليلية صريحة يمكن تطبيقها على مواد جديدة دون الحاجة إلى الوصول إلى بيانات التدريب الأصلية أو حسابات cRPA المعقدة.